رفتن به محتوا

Eleven v4 Text to Speech

یکپارچه‌سازی

شناسه مدل elevenlabs/tts/eleven-v4
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/v1/run/elevenlabs/tts/eleven-v4?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "[whispers] Okay, everyone, gather close. [excited] The bread is finally out of the oven. [laughs] Fine, fine, one slice each, but only if you promise to save one for me."
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

این درخواست: ⁨‎$۰٫۰۱۴⁩ ۱۴ اعتبار API · ≈ ⁨‎₽۱٫۵۱⁩ اجرای آن در این صفحه

دریافت کلید API
ElevenLabs متن به گفتار #voiceover#expressive#timestamps

رسا‌ترین مدل صدای ElevenLabs، با برچسب‌های درون‌خطی احساس و زمان‌بندی کلمات.

نمونه‌ها

خروجی · ~14 ثانیه
[whispers] Okay, everyone, gather close. [excited] The bread is finally out of the oven. [laughs] Fine, fine, one slice each, but only if you promise to save one for me.⁨‎$۰٫۰۱۴⁩ · ۱۴ اعتبار API

ساخت درخواست

کنترل‌ها از شِمای مدل تولید می‌شوند. با تغییر آن‌ها، کد و قیمت به‌روزرسانی می‌شوند.

•الزامی 169 / 5000

محتوای گفتار را به‌صورت متن ارائه کنید؛ در صورت نیاز، نحوه بیان را با برچسب‌های صوتی مانند [whispering] مشخص کنید یا تلفظ‌های IPA را بین اسلش‌ها بنویسید.

پیش‌فرض Rachel

صدای انتخاب‌شده برای ترکیب گفتار.

پیشرفته apply_text_normalization · language_code · output_format · stability · similarity_boost · seed · timestamps
apply_text_normalization پیش‌فرض auto

نرمال‌سازی متن را پیش از تولید کنترل می‌کند، از جمله نحوه پردازش اعداد و تاریخ‌ها.

کد زبان ISO 639-1 مورد استفاده هنگام تولید گفتار و نرمال‌سازی متن.

پیش‌فرض mp3_44100_128

قالب صوتی تولیدشده، با استفاده از الگوی codec_sample_rate_bitrate.

پیش‌فرض 0.5

پایداری صدا، بیان عاطفی‌تر در مقادیر پایین‌تر را در برابر بیان یکنواخت‌تر در مقادیر بالاتر متعادل می‌کند.

پیش‌فرض 0.75

کنترل شباهت به صدای مرجع، با مصالحه‌ای احتمالی در طبیعی‌بودن: افزایش آن تطابق را بیشتر می‌کند، اما ممکن است خروجی را کم‌طبیعی‌تر کند.

Seed مورد استفاده برای تلاش جهت دستیابی به نتایج تکرارپذیر؛ تکرار دقیق خروجی تضمین نمی‌شود.

POST /run/elevenlabs/tts/eleven-v4?wait=20 قیمت → ⁨‎$۰٫۰۱۴⁩
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/v1/run/elevenlabs/tts/eleven-v4?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "[whispers] Okay, everyone, gather close. [excited] The bread is finally out of the oven. [laughs] Fine, fine, one slice each, but only if you promise to save one for me."
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

اجرای این درخواست

کلید شما در این مرورگر باقی می‌ماند: فقط به Doitong API ارسال می‌شود و فقط در صورت فعال‌کردن گزینه «یادآوری»، در localStorage ذخیره می‌شود. دریافت کلید API

درباره Eleven v4 Text to Speech

Eleven v4 متن را با صداهای طبیعی و احساسی می‌خواند و برچسب‌های صوتی درون‌خطی مانند [excited] یا [whispering] و نیز تلفظ‌های IPA را می‌فهمد. صدا را انتخاب کنید، پایداری و شباهت را تنظیم کنید، زبان را تعیین کنید و در صورت نیاز زمان‌بندی سطح کلمه را دریافت کنید. قالب‌های MP3، PCM، Opus و تلفنی.

پارامترها

نامنوع پیش‌فرضمجاز توضیحات
textالزامی
نوعstring
≤ ۵٬۰۰۰ نویسه
محتوای گفتار را به‌صورت متن ارائه کنید؛ در صورت نیاز، نحوه بیان را با برچسب‌های صوتی مانند [whispering] مشخص کنید یا تلفظ‌های IPA را بین اسلش‌ها بنویسید.
voiceاختیاری
نوعstring
پیش‌فرضRachel
صدای انتخاب‌شده برای ترکیب گفتار.
stabilityاختیاری
نوعnumber
پیش‌فرض0.5
۰ – ۱
پایداری صدا، بیان عاطفی‌تر در مقادیر پایین‌تر را در برابر بیان یکنواخت‌تر در مقادیر بالاتر متعادل می‌کند.
similarity_boostاختیاری
نوعnumber
پیش‌فرض0.75
۰ – ۱
کنترل شباهت به صدای مرجع، با مصالحه‌ای احتمالی در طبیعی‌بودن: افزایش آن تطابق را بیشتر می‌کند، اما ممکن است خروجی را کم‌طبیعی‌تر کند.
seedاختیاری
نوعinteger | null
۰ – ۴٬۲۹۴٬۹۶۷٬۲۹۵
Seed مورد استفاده برای تلاش جهت دستیابی به نتایج تکرارپذیر؛ تکرار دقیق خروجی تضمین نمی‌شود.
language_codeاختیاری
نوعstring | null
کد زبان ISO 639-1 مورد استفاده هنگام تولید گفتار و نرمال‌سازی متن.
output_formatاختیاری
نوعenum
پیش‌فرضmp3_44100_128
mp3_22050_32mp3_44100_32mp3_44100_64mp3_44100_96mp3_44100_128mp3_44100_192pcm_8000pcm_16000pcm_22050pcm_24000pcm_44100pcm_48000ulaw_8000alaw_8000opus_48000_32opus_48000_64
+3 مورد دیگرopus_48000_96opus_48000_128opus_48000_192
قالب صوتی تولیدشده، با استفاده از الگوی codec_sample_rate_bitrate.
apply_text_normalizationاختیاری
نوعenum
پیش‌فرضauto
autoonoff
نرمال‌سازی متن را پیش از تولید کنترل می‌کند، از جمله نحوه پردازش اعداد و تاریخ‌ها.
timestampsاختیاری
نوعboolean
پیش‌فرضfalse
مشخص می‌کند صوت تولیدشده همراه با داده‌های زمان‌بندی برای تک‌تک نویسه‌ها باشد یا نه.
الزامی

خروجی

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "elevenlabs/tts/eleven-v4",
  "status": "succeeded",
  "created_at": "2026-10-20T12:00:00Z",
  "started_at": "2026-10-20T12:00:02Z",
  "completed_at": "2026-10-20T12:00:09Z",
  "queue_position": null,
  "cost": {
    "credits": 14,
    "usd": "0.014",
    "charged": 14,
    "refunded": 0
  },
  "input": {
    "text": "[excited] Hello! Welcome to the future of voice.",
    "voice": "Aria"
  },
  "output": {
    "audio": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.mp3",
      "content_type": "audio/mpeg",
      "file_name": "0-output.mp3",
      "file_size": 1843200
    },
    "timestamps": []
  },
  "outputs": [
    {
      "type": "audio",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.mp3",
      "content_type": "audio/mpeg",
      "file_size": 1843200,
      "duration": 12,
      "stored": true
    }
  ],
  "error": null,
  "metrics": {
    "inference_seconds": 6.8
  },
  "urls": {
    "self": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
فایل‌های شما، انتخاب شماهر outputs[].url کپی‌ای در فضای ذخیره‌سازی ماست: برای همیشه (با هزینه به‌ازای هر GB-ماه) یا به‌مدت ۷ روز رایگان، بر اساس تنظیم حساب شما یا ?storage=.
ساختار یکسان در همه مدل‌هاtype، url، content_type، width، height و duration برای تصاویر، ویدیو و صدا یکسان هستند. output شیء نتیجه اختصاصی مدل است.
فیلدهای خروجی
audio
object {url, content_type, file_name, file_size}فایل صوتی تولیدشده.
timestamps
array of any | nullداده زمان‌بندی گفتار تولیدشده، فقط برای درخواست‌هایی که `timestamps` روی True تنظیم شده است؛ شامل زمان‌مهر برای هر واژه.

مدل‌های بیشتر: متن به گفتار

برای عامل‌های هوش مصنوعی: این صفحه به‌صورت Markdown در دسترس است https://doitong.com/fa/developers/models/elevenlabs/tts/eleven-v4.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt